ANÁLISIS ESTADÍSTICO Y PREDICTIVO DE LA PRODUCCIÓN DE POLLOS DE ENGORDE EN LOS PRINCIPALES PAÍSES PRODUCTORES DEL MUNDO: UN ENFOQUE DE SERIES TEMPORALES
DOI:
https://doi.org/10.56238/revgeov17n3-162Palabras clave:
Producción Avícola, Series Temporales, Estadística Inferencial, Modelado ARIMA, Análisis AgroeconómicoResumen
La carne de pollo es la fuente de proteína animal más consumida en todo el mundo. Estados Unidos, Brasil y China representan más del 40% de la producción mundial. Este estudio examina si sus trayectorias de producción exhiben crecimiento a largo plazo, asociación temporal y previsibilidad estadística. El objetivo fue realizar un análisis estadístico y predictivo de la producción de carne de pollo de 1961 a 2022. La metodología integró estadística descriptiva, análisis inferencial y modelado univariado de series de tiempo basado en ARIMA, respaldado por promedios móviles y descomposición estacional para la evaluación de tendencias. Los resultados revelaron una fuerte asociación temporal entre Brasil y China (r ≈ 0,983) y entre Brasil y Estados Unidos (r ≈ 0,991). El análisis inferencial no mostró diferencias estadísticamente significativas entre los niveles de producción promedio de Brasil y China (p = 0,618), mientras que se observó una diferencia altamente significativa entre Brasil y Estados Unidos (p < 0,001). Los indicadores descriptivos mostraron una mayor variabilidad relativa en Brasil (CV ≈ 97,0%) y China (CV ≈ 92,4%) en comparación con Estados Unidos (CV ≈ 57,4%). Los pronósticos basados en ARIMA indican un crecimiento continuo de la producción en los tres países a corto y mediano plazo. Los resultados confirman el crecimiento a largo plazo, una fuerte asociación temporal y la predictibilidad estadística, destacando las diferencias estructurales en escala y variabilidad.
Descargas
Referencias
Bressan, A. A. (2004). Tomada de decisão em futuros agropecuários com modelos de previsão de séries temporais. RAE Eletrônica, 3(1). https://doi.org/10.1590/S1676-56482004000100005
Balthazar, G. R., Silveira, R. M. F., & Silva, I. J. O. (2024). Use of multi-agent systems and the Internet of Things to monitor the environment of commercial broiler poultry houses through specific air enthalpy. Journal of Animal Behaviour and Biometeorology, 12(2), 2024012. https://doi.org/10.31893/jabb.2024012
Castro Junior, S. L., Lamarca, D. S. F., Kraetzer, T. L., Balthazar, G. R., & Canepppele, F. L. (2022). Sistema baseado na lógica fuzzy para diagnóstico da qualidade da água para o cultivo de tilápia-do-Nilo. Research, Society and Development, 11(4), 1–10. https://doi.org/10.33448/rsd-v11i4.26933
Chen, Q., et al. (2020). Comparação dos sistemas chineses de produção de frangos de corte no desempenho econômico e no bem-estar animal. Animals, 10. https://doi.org/10.3390/ani10030491
Food and Agriculture Organization of the United Nations (FAO). (2020). Meat market review: Emerging trends and outlook.
Food and Agriculture Organization of the United Nations (FAO). (2009). The state of agricultural commodity markets 2009.
Franzo, G., et al. (2023). When everything becomes bigger: Big data for big poultry production. Animals, 13(11), 1804. https://doi.org/10.3390/ani13111804
Kleyn, F. J., & Ciacciariello, M. (2021). Future demands of the poultry industry. World’s Poultry Science Journal, 77(2), 267–278.
Kopler, I., et al. (2023). Perspectivas dos agricultores sobre pecuária de precisão. Animals, 13. https://doi.org/10.3390/ani13182868
Kraetzer, T. L., & Balthazar, G. R. (2021). FISHBOARD: An electronic device for analysis of productive data in pisciculture (fish-farming). Brazilian Journal of Development, 7(3), 28513–28533. https://doi.org/10.34117/bjdv7n3-526
Kralik, G., Kralik, Z., Grčević, M., & Hanžek, D. (2018). Qualidade da carne de frango. Pecuária e Nutrição Animal. https://doi.org/10.5772/intechopen.72865
Larson, M. (2006). Descriptive statistics and graphical displays. Circulation, 114, 76–81.
Li, X., Tian, H., & Zhou, Z. (2014). Impact of avian influenza outbreaks on China’s poultry sector. China Agricultural Economic Review, 6(1), 32–50.
Miele, J. F., & Waquil, A. (2016). The integration system in Brazilian poultry. Revista de Economia e Sociologia Rural, 54(2), 237–254.
Mottet, A., & Tempio, G. (2017). Global poultry production: Current state and future outlook. World’s Poultry Science Journal, 73(2), 245–256.
Ngongolo, K., Omary, K., & Andrew, C. (2021). Socio-economic impact of chicken production. Poultry Science, 100(3), 100921.
OECD/FAO. (2021). OECD-FAO agricultural outlook 2021–2030. OECD Publishing.
Ogino, A., Oishi, K., Setoguchi, A., & Osada, T. (2021). Life cycle assessment of sustainable broiler production systems. Agriculture, 11(10), 921.
Pitesky, M., et al. (2020). Data challenges and practical aspects of machine learning in poultry. CAB Reviews, 15, 114–127.
Prabowo, R. E., Sutejo, B., & Murdiyanto, A. (2023). The economic impact of native chicken farming. Dinamika Akuntansi Keuangan dan Perbankan, 12(1), 67–74.
Schaffer, A., et al. (2021). Interrupted time series analysis using ARIMA. BMC Medical Research Methodology.
Sendetska, S. (2017). O estado atual e as perspectivas de desenvolvimento do mercado global de carne de aves. Scientific Messenger.
Smet, S., & Vossen, E. (2016). Meat: The balance between nutrition and health. Meat Science, 120, 145–156. https://doi.org/10.1016/j.meatsci.2016.04.008
Tang, H. (2021). Using machine learning techniques to study economic trends. CMSDA 2021.
United Nations. (2024). World population prospects 2024.
USDA Economic Research Service (USDA-ERS). (2012). Feed outlook: September 2012.
USDA Economic Research Service (USDA-ERS). (2021). COVID-19 working paper: Impacts on U.S. meat and poultry supply chains.
USDA Foreign Agricultural Service (USDA-FAS). (2023). Brazil poultry and products annual report.
Uzundumlu, A. S., & Dilli, M. (2023). Estimating chicken meat productions. Ciência Rural, 53(2).
Zheng, H., et al. (2024). Predicting stocks and economic data using machine learning time series analysis. Preprints.
Zhu, J., Zhao, X., Sun, Y., Song, S., & Yuan, X. (2024). Relational data cleaning meets artificial intelligence: A survey. Data Science and Engineering, 10(2), 147–174. https://doi.org/10.1007/s41019-024-00266-7
